AI诈骗：几秒钟声音，为什么就能复制一个人？

8月19日，武汉警方专门做了一次AI仿声反诈提醒。

民警给出的警告很直接：骗子拿到几秒钟语音，就可能利用AI生成高度相似的声音。素材可能来自短视频、直播连麦、微信群语音，也可能只是一次陌生电话里随口说出的几句话。武汉警方把“3—10秒语音素材”作为需要警惕的风险场景。

这听起来像一种还没大规模发生的新骗局。其实案子已经出现了。

一、电话那头，已经不一定是那个人

2025年4月，湖北黄石，一位70多岁的老人接到“孙子”的电话。

电话里，孙子带着哭腔，说自己在学校打伤了人，要赔4万元私了，还特意叮嘱奶奶不要告诉别人。老人听着就是孙子的声音。她准备了2万元现金。有人上门取钱时，为了让她放心，还当面再次拨通“孙子”的电话确认。

当天，另外两名老人也遭遇了几乎相同的骗局。一个“孙子打伤同学”，一个“需要到公安机关赎人”，三位老人一共被骗6万元。

后来查明，电话里的亲属声音使用了AI拟声技术。2026年2月，这起案件还被最高人民法院作为典型案例公布。

把场景换到公司，金额会大得多。

2024年1月底，香港一家跨国公司的员工收到“英国总部CFO”的消息，随后参加了一场多人视频会议。会议里不只有CFO，还有几名熟悉的同事。脸是熟悉的，声音也是熟悉的。员工最终按照要求授权转账，损失约2亿港元。

香港警方后来调查发现，骗子事先下载了公开的影像和声音素材，再用深度伪造技术制作会议内容。所谓“多人会议”，实际上大量内容是预先生成的。

几个月后的2024年5月，香港又出现类似案件。

一名跨国贸易公司员工收到假冒英国总部CFO的WhatsApp消息，并参加了近30分钟的视频会议。会议里的“老板”要求转账，员工随后转出近400万港元。警方判断，骗子同样使用网上公开的视频作为素材进行深度伪造。

三个案子放在一起，很容易发现一个变化：

骗子以前最难解决的问题，是“怎么让你相信我就是那个人”。现在，这道门槛正在下降。

二、第一步：AI先从声音里找到“你是谁”

一个人说了几十年话，AI为什么几秒钟就敢模仿？

因为机器要找的，并不是你说过哪些句子。它先听另外一些东西。

你的声音偏高还是偏低，音色偏亮还是偏暗，说话快还是慢，尾音怎么收，一个词和下一个词之间习惯停多久。还有一些更细的东西。气声、鼻音、口音，甚至同一个音节从开始到结束时声音怎样变化。

我们平时听不出来这么多层。我们只会说：“这就是他的声音。”模型会把这些差别变成数字。最后留下来的，不再是一段完整录音，而是一组用来描述这个声音的特征。也可以把它粗略理解成一张声音身份证。

三、第二步：把“说什么”和“谁在说”拆开

这里才是声音克隆最关键的一步。一句“我今天晚一点回来”，在人听来是一句话。模型却可以把它分成两个问题。第一个：这句话说了什么？第二个：是谁在说？“我今天晚一点回来”这几个字，可以不变。换一个人来说，音色、节奏、重音、停顿都会变。

今天的语音模型在训练时已经接触过大量人声，它并不需要从你的几秒录音里重新学习普通话怎么念、句子怎么组织。

这些能力以前已经学过了。现在缺的只是最后一项信息：这句话，要用谁的声音说。所以那几秒录音发挥的作用，更接近一次“定位”。

模型从里面寻找你的音色、语调和节奏，把这个声音大致放进一个已经学好的声音空间里。位置找到以后，再输入一句你从来没说过的话，系统也可以尝试让它带上相同的声音特征。

所谓“几秒钟学会一个人”，其实很容易让人误解。它不是几秒钟学会了说话。它早就学会了说话，那几秒钟只是告诉它这一次要像谁。

四、第三步：骗子要复制的其实不只是一副嗓子

回头再看黄石那起案件，就能看出问题所在。

如果电话里只是机械地说一句“奶奶，我需要钱”，未必有人相信。骗子同时放进去了几样东西：熟悉的声音；“孙子出事”这个身份关系；打伤同学这个突发事件；马上赔钱这个时间压力；以及“千万别告诉别人”这句话。声音负责让老人相信“这是孙子”。后面的恐慌和催促，则让她没有时间去找真正的孙子确认。

美国联邦贸易委员会总结类似“家庭紧急事件”诈骗时，也反复提醒几个共同特征：事情特别急、要求保密、催促立即付款，并刻意阻止受害者联系其他家人核实。FTC已经明确提醒，即使电话里的声音听起来就是自己的亲属，也不能只凭声音确认身份。

企业里的逻辑也一样。假CFO的视频之所以有效，不只是脸和声音做得像。还有职位。有“机密交易”。有上级对下级发出的指令。有会议这种看起来非常正式的场景。

AI负责把身份做得更像，诈骗仍然在利用人原有的信任关系。这也是声音克隆比单纯“模仿声音”麻烦得多的地方。它可以和社交资料、大模型生成的对话、伪造头像、视频会议继续往下拼。

声音，只是其中的一层。

结语

过去接到一个电话，我们会先听声音。像父亲，就是父亲。像孩子，就是孩子。像老板，就是老板。这个经验之所以长期有效，是因为复制一个人的声音曾经太难。

现在这个前提正在变化。

音色可以提取，语速可以分析，停顿可以建模，口音也可以变成数据。当这些东西能够和一句新的文字重新组合以后，一段声音只能说明：有人生成了这样的声音。却未必能够证明，那个人真的说过这句话。

所以以后再遇到“家人出事”“老板急着转账”这样的电话，最有效的动作反而很朴素：挂掉。用自己保存的号码重新联系本人。

因为骗子可以控制他打给你的那通电话，却控制不了你主动建立的第二条联系。

听起来像你，只能说明它像你。至于电话那头到底是谁，还得另外确认。

而声音之后，下一道身份防线也已经开始松动：

如果声音可以复制，视频里的老板，为什么也可能是假的？